Con la rápida popularidad de los vehículos aéreos no tripulados (VANT), la seguridad del espacio aéreo enfrenta desafíos más difíciles, especialmente para la identificación de VANTs no cooperativos. Como un enfoque vital para la identificación de objetivos no cooperativos, el procesamiento de señales de radar ha atraído atención y investigación continuas y extensas. El detector de tasa de falsas alarmas constante (CFAR) se utiliza ampliamente en la mayoría de los sistemas de radar actuales. Sin embargo, el rendimiento de detección se deteriorará drásticamente en entornos complejos y dinámicos. En este artículo, se desarrolla un nuevo algoritmo CFAR basado en estadísticas truncadas y redes neuronales (TSNN-CFAR). Específicamente, adoptamos un modelo de distribución Rayleigh truncada a la derecha combinado con las características del reconocimiento de patrones utilizando una red neuronal. En los entornos de simulación de cuatro fondos diferentes, el algoritmo propuesto no necesita celdas de protección y supera a los algoritmos CFAR tradicionales de nivel medio (ML) y estadísticas ordenadas (OS). Especialmente en entornos de alta densidad de objetivos y bordes de desorden, al utilizar 19 estadísticas obtenidas del cálculo numérico de dos ventanas de referencia como características de entrada, el algoritmo TSNN-CFAR tiene la mejor capacidad de decisión adaptativa, modelado preciso del desorden de fondo, propiedad estable de regulación de falsas alarmas y un rendimiento de detección superior.